🧬 생물학

Data-Efficient Personalization of Gait Biomechanics: The Predominant Contribution of Subject-Specific Waveform Shape

본 연구는 제한된 피험자 특이적 데이터를 사용하여 하지 관절 모멘트에 대한 보행 생체역학을 개인화하는 것이 진폭보다는 시간적 파형 형태를 적응시키는 것에 의해 주로 주도되며, 결과적으로 모집단 전체 모델에 비해 유의미한 예측 정확도 향상을 가져온다는 것을 입증한다.

원저자: Syed Riyas Ahamed, Sandip Saha, Awani Bhushan

게시일 2026-10-23

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Syed Riyas Ahamed, Sandip Saha, Awani Bhushan

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

걷기는 우리 모두가 공유하는 리듬이지만, 모든 사람의 걸음걸이는 고유한 서명을 담고 있습니다. 수십 년 동안 과학자들은 우리가 걸을 때 관절에 작용하는 힘을 측정하기 위해 복잡하고 값비싼 실험실 설비를 활용해 왔습니다. 이러한 측정값은 더 나은 의족, 외골격, 재활 도구를 설계하는 데 있어 골드 스탠다드(표준)가 되지만, 일상생활이나 빠른 임상 점검을 수행하기에는 너무 번거롭습니다. 연구자들은 단순하고 착용 가능한 데이터를 사용하여 이러한 관절력을 예측하는 방법을 오랫동안 모색해 왔으며, 모든 사람에게 적용 가능한 일반적인 모델을 구축하기를 희망해 왔습니다. 지배적인 아이디어는 만약 우리가 사람이 얼마나 빨리 걷는지를 안다면, 엉덩이, 무릎, 발목에 가해지는 힘을 상당히 정확하게 추정할 수 있다는 것이었습니다. 그러나 일반적인 모델이 특정 개인에게 완벽하게 들어맞는 경우는 드뭅니다. 핵심적인 질문은 개인화된 모델을 만들기 위해 한 사람의 움직임이 가진 고유한 타이밍을 포착해야 하는가, 아니면 단순히 전체적인 힘의 크기만을 조정하는 것으로 충분한가였습니다.

인도의 벨로어 공과대학교(Vellore Institute of Technology) 연구진은 42명의 건강한 성인의 보행 패턴을 분석하여 이 질문에 답하고자 했습니다. 그들은 오직 걷기 속도만을 사용하여 6개의 주요 하지 관절에 가해지는 힘을 예측할 수 있는지 확인하기 위해 수백 번의 보행 실험을 조사했습니다. 초기 성과는 상당했습니다. 걷기 속도에만 기반한 모델은 집단 전체의 힘 곡선 형태를 높은 정확도로 예측할 수 있었습니다. 하지만 연구진은 아주 적은 양의 새로운 데이터를 사용하여 이 모델을 특정 개인에게 맞춤화했을 때 어떤 일이 일어나는지 알고 싶었습니다. 그들은 각 개인으로부터 세 번의 짧은 보행 세션을 추출하여 개인화된 보정을 생성한 다음, 이 보정이 완전히 새로운 세 번의 보행 세션에서의 힘을 정확하게 예측할 수 있는지 테스트했습니다.

결과는 놀라운 중요도의 위계를 드러냈습니다. 연구진이 세 번의 보정 실험을 사용하여 모델을 조정했을 때, 예측 오차는 급격히 감소하여 다양한 관절에서 11%에서 34% 사이의 정확도 향상을 보였습니다. 연구진은 이 개선 효과가 어디에서 기인하는지 확인하기 위해 분석을 세분화했습니다. 그들은 보정을 두 가지 구성 요소, 즉 힘의 전체적인 크기(magnitude)와 힘이 단계에 따라 상승하고 하강하는 구체적인 패턴을 설명하는 파형의 형태(waveform shape)로 나누었습니다. 그들은 형태의 보정이 지배적인 요인임을 발견했습니다. 힘의 크기는 집단 평균으로 유지한 채 타이밍과 패턴만을 조정하더라도 여ัด한 정확도 향상을 보였으며, 오차를 14%에서 25%까지 줄였습니다. 이와 극명하게 대조적으로, 패턴은 일반적인 상태로 유지하면서 힘의 크기만을 조정한 경우에는 대부분의 경우에서 2% 미만의 개선을 보이는 등 거의 이득이 없었습니다.

이러한 발견은 특정 개인을 위해 모델을 단순히 확대하거나 축소하는 것만으로는 충분하다는 가설에 도전합니다. 연구진은 개인의 편차에서 나타나는 고유한 시간적 패턴을 포착하는 것이 그 편차의 총량보다 훨씬 더 가치 있다는 것을 입증했습니다. 힘의 크기는 개인 간에 크게 달랐지만, 그 변동성만을 포착하는 것은 모델이 보이지 않는 보행을 예측하는 데 도움이 되지 않았습니다. 개인화의 진정한 열쇠는 오차의 구체적인 리듬을 포착하는 것이었습니다. 이 연구는 향후 보조 기구 및 재활 분야의 응용을 위해, 가장 효율적인 경로가 단순히 힘의 크기가 아니라 개인의 움직임 잔차(residuals)의 고유한 형태를 학습하는 데 집중하는 것임을 시사합니다. 비록 이 연구가 건강한 참가자들을 대상으로 특정 계산 파이프라인을 사용하여 수행되었지만, 핵심적인 통찰은 견고하게 유지됩니다. 즉, 보행 생체 역학의 영역에서는 신호의 부피보다 형태가 더 중요하다는 것입니다.

기술 요약: 보행 생체역학의 데이터 효율적 개인화

문제 정의
계측된 보행 분석은 하지 관절 모멘트를 추정하는 데 있어 여전히 골드 스탠다드(gold standard)로 남아 있으나, 실험실 환경에 대한 의존성으로 인해 임상 선별 및 보조 기기의 실시간 제어에 활용하기에는 한계가 있다. 웨어러블 센서나 집단 모델을 사용하는 머신러로닝 접근 방식이 대안을 제시하고 있지만, 피험자 특이적 개인화(subject-specific personalization)의 효과를 이끄는 구체적인 메커니즘을 이해하는 데에는 결정적인 공백이 존재한다. 특히, 개인화의 예측 이점이 집단 평균으로부터의 편차 중 고유한 **시간적 형태(temporal shape)**에서 기인하는지, 아니면 단순히 그 편차의 **진폭(amplitude, 크기)**에서 기인하는지는 불분명하다. 이를 해결하는 것은 최소한의 피험자 특이적 데이터를 요구하는 데이터 효율적 교정 전략을 개발하는 데 필수적이다.

연구 방법론
본 연구는 42명의 건강한 참가자로부터 얻은 328회의 보행 시행(trials)으로 구성된 Fukuchi 보행 생체역학 데이터셋을 활용하였다. 분석은 다음의 4단계 워크플로우를 따랐다:

생체역학적 검증: 대표 참가자에게 스케일링된 OpenSim 근골격 모델(Rajagopal 모델)을 사용하여 6개 하지 관절(양측 고관절, 슬관절, 족관절)의 관절 모멘트를 계산하였다. 운동 캡처 및 지면 반력 데이터를 적용하여 역운동학(inverse kinematics) 및 역역학(inverse dynamics)을 수행하였다.
집단 모델링: 관절 모멘트 파형은 정규화된 보행 단계( $0 \le \phi \le 1$ )에 대해 5차 하모닉 푸리에 기저(Fourier basis)를 사용하여 표현되었다. 보행 속도를 기반으로 푸리에 계수를 예측하기 위해 Ridge 회귀 모델( $\alpha=1$ )을 학습시켰다. 모델은 42명 대상의 Leave-One-Subject-Out (LOSO) 교차 검증 체계를 통해 평가되었다.
교정 프로토콜: 각 피험자에 대해, 세 번의 시행(T01–T03)을 사용하여 피험자 특이적 보정치를 추정하였고, 세 번의 독립적인 시행(T04–T06)은 평가를 위해 남겨두었다. 보정치는 측정된 데이터와 집단 예측값 사이의 평균 잔차(mean residual)로 정의되었다.
형태-진폭 분해 및 절제 연구(Ablation): 피험자 특이적 보정치는 정규화된 시간적 형태( $s_{s,j}$ $s_{s, j}$ )와 스칼라 진폭( $A_{s,j}$ $A_{s, j}$ )으로 분해되었다. 각 구성 요소의 기여도를 격리하기 위해, 본 연구는 중첩된 LOSA 절제 접근법을 채택하였다:
- 전체 교정(Full Calibration): 피험자 특이적 형태와 진폭을 모두 적용함.
- 형태 전용 교정(Shape-Only Calibration): 피험자 특이적 형태를 적용하되, 진폭은 공통 집단 진폭으로 대체함.
- 진폭 전용 교정(Amplitude-Only Calibration): 피험자 특이적 진폭을 적용하되, 형태는 공통 집단 형태로 대체함.
- 집단 베이스라인(Population Baseline): 보행 속도만을 사용하며, 피험자 특이적 보정을 적용하지 않음.
  통계적 유의성은 홀름(Holm) 단계적 하강 절차를 통해 다중 비교를 보정한 후, 참가자 수준의 RMSE에 대해 대응 표본 윌콕슨 부호 순위 검정(paired Wilcoxon signed-rank test)을 사용하여 평가되었다.

주요 결과

집단 예측: 속도만을 사용한 집단 모델은 6개 관절 모두에서 상당한 정확도(LOSO $R^2$ 범위 0.70 ~ 0.92)를 달성하였으며, 이는 보행 속도가 강력한 예측 인자임을 입증하였다. 인체 측정학적 공변량을 추가했을 때 관절별로 미미한 개선이 있었으나, 주요 예측 인도로서의 속도를 능가하지는 못했다.
교정 효능: 세 번의 시행을 통한 피험자 특이적 교정은 독립적인 시행(T04–T06)에서 예측 오차를 유의미하게 감소시켰으며, 집단 모델 대비 결합된(pooled) RMSE 감소율 11.3% ~ 34.1%를 기록하였다.
형태의 지배성: 절제 연구 결과, 피보정 잔차의 시간적 형태가 개인화 이점의 주요 동인임이 밝혀졌다.
- 형태 전용 교정은 14.0–25.2%의 RMSE 감소를 달성하였으며, 이는 족관절에서 전체 교정과 비슷하거나 이를 상회하는 수준이었다.
- 진폭 전용 교정은 미미한 개선(RMSE 감소 0.5–1.9%)을 보였으며, 슬관절에 대해서는 통계적으로 유의하지 않았다.
- 전체 교정은 고관절에서만 형태 전용 교정보다 유의미하게 우수한 성능을 보였다.
통계적 유의성: 홀름 보정 후, 형태 전용 교정은 6개 관절 모두에서 집단 모델 대비 예측 성능을 유의미하게 향상시켰다. 진폭 전용 교정은 고관절과 족관절에서만 유의미하였으며, 슬관절에서는 유의하지 않았다.

의의 및 주장
본 논문은 보행 생체역학의 개인화가 진폭보다는 피험자 특이적 잔차의 시간적 형태에 의해 주로 주도된다고 주장한다. 이 발견은 본 프레임워크의 구체적인 정보 계층 구조를 확립한다: 보행 속도 $\rightarrow$ 집단 파형 $\rightarrow$ 피험자 특이적 잔차 형태 $\rightarrow$ 피험자 특이적 진폭.

저자들은 개인의 시간적 보정 패턴(형태)을 포착하는 데 집중하는 데이터 효율적 교정 전략이 예측 이점의 대부분을 달성하기에 충분하며, 진폭은 주로 고관절에서 추가적인, 그러나 더 작은 이득을 제공한다고 결론짓는다. 이러한 결과는 복잡한 진폭 모델링보다 파형 형태의 획득을 우선시함으로써 최소한의 교정 데이터(예: 3회의 시행)를 사용하는 개인화된 재활 및 보조 기기 제어 시스템 개발을 뒷받침한다. 저자들은 본 연구 결과가 건강한 참가자를 대상으로 수행되었음을 명시하며, 병적 보행이나 실제 환경의 제어 응용 분야로의 일반화에는 추가적인 검증이 필요함을 언급하였다.

유사한 논문